Vessel Segmentation in Retinal Image Based on Retina-GAN

题目：基于 Retina-GAN 的视网膜图像血管分割

当前分割仍存在问题: (1) 眼底血管错综复杂导致分割结果中各类评价指标还有进步空间; (2) 对于血管细微分支类别的准确率还有待优化.

方法：为了尝试解决这个问题. 本文提出了将 RU-Net 网络作为生成器部分的 GAN 改进版模型, 并添加了一种 Attention 机制, 应用在生成器部分, 使分割区域更明确, 提高分割的准确度和特异度; 判别器选择卷积神经网络. 在对数据集的预处理上, 本文使用了自动色彩均衡 ACE 算法 [10] , 并
与其他预处理方式的实验结果比对, 对 DRIVE 数据集通过翻转、旋转角度、均匀切割等操作将数据集扩充至3   840 张, 实验显示, 本文的模型展现了更好的性能. 

生成器模型：RU—Net

 RU-Net 由卷积编码和解码单元两部分组成, 在编码单元以及解码单元中, 常规前卷积层被使用循环卷积层 RCL代替。

循环卷积层：

可以看到 一个Recurrent_block其实就是t个普通的conv（conv+BN+ReLU）的堆叠，只不过，除了第一个conv的输入是x之外，后边的conv的输入是前一个conv的输出加上x作为输入 

Retina-Attention机制：

1.提取掩膜， 通过二值分割将 ROI（感兴趣的区域） 区域与无关背景区别开来

2，将掩膜与 RU-Net 的倒数第 2 层特征映射进行相乘

 

 其中, R 表示 ROI (感兴趣区域), 也就是我们注意力要关注的区域, F 表示特征. 这个 Attention 机制的作用就是让 G 只关注眼底图像中有信息的视网膜区域 (圆形内部的区域), 放弃没有有效信息的噪声背景 (圆形外黑色区域), 这样做能有效提高分割效率。

判别器：

第一步：大小为3*3卷积，步长为2提取特征，选用ReLU激活，大小为3*3卷积，步长为1提取特征

第二步：使用2*2的max-pooling使分辨率下降。

第一步和第二步交替进行，最后一步全局平均池化层。